A. 人工智慧會讓股票分析師失業嗎
我覺得暫時不會，因為股票最有意思的就是不可確定性，同樣的一種股票形態，由於大盤環境不同，會有截然不同的走勢，而人工智慧只能按照程序演算法去推演，但是不排除未來伴隨著人工智慧的發展，機器人完全取代人類。
B. 利用大數據人工智慧投資股票的能代替投顧嗎
投顧有各種各樣的，大數據人工智慧可能是沒私心的。
C. 人工智慧和機器學習會逐漸取代金融和數據分析師嗎
關於人工智慧的發展上限，曾經和很多朋友討論過。說實話，我們得出的結論中，金融這種依託數據分析的行業未來極有可能真的被人工智慧佔領，反而是考驗創造力和想像力的行業，比如藝術、傳媒，人比人工智慧擁有更大的優勢。
然而，這只是現階段的人工智慧應用情況，未來是否真的會替代金融界從業人員，尚未可知。
D. 未來五十年會計、股票經紀人、不動產銷售會被人工智慧取代嗎
基礎崗位崗位會越來越智能化，全部取代不可能，但是人員需求會做來越少，以前財務可能有三四個人，以後可能只需要一個財務總監就足夠了
E. 人工智慧技術的發展和崛起，以及自動化分析工具的發展，似乎數據分析師和金融行業的高級分析師有被取代的
人工智慧 可以帶來美好，也可以帶來災難，有好有壞，生產上去了，工人下崗了，工人沒錢買不起產品，循環了
F. 未來十年，哪些職業會被人工智慧取代
提到人工智慧人們第一想到的就是解放雙手，但凡事不是絕對的准確，解放雙手就意味著人類的懶惰天性將要得到釋放。其實，人工智慧就像你比賽時的競爭對手，你很有可能被超越被拋到身後的某個角落！
從總體上來說，也不是所有的東西都會被取代。人工智慧不一定就十全十美，它也同樣缺少人類的靈動性、判斷能力和思維能力，所以從目前而已人工智慧只涉及到服務類行業服務於人類！
G. AI會取代數據分析師嗎
ETL，Extraction-Transformation-Loading的縮寫，中文名稱為數據抽取、轉換和載入。ETL負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層後進行清洗、轉換、集成，最後載入到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。ETL是數據倉庫中的非常重要的一環。它是承前啟後的必要的一步。相對於關系資料庫，數據倉庫技術沒有嚴格的數學理論基礎，它更面向實際工程應用。所以從工程應用的角度來考慮，按著物理數據模型的要求載入數據並對數據進行一些系列處理，處理過程與經驗直接相關，同時這部分的工作直接關系數據倉庫中數據的質量，從而影響到聯機分析處理和數據挖掘的結果的質量。數據倉庫是一個獨立的數據環境，需要通過抽取過程將數據從聯機事務處理環境、外部數據源和離線的數據存儲介質導入到數據倉庫中；在技術上，ETL主要涉及到關聯、轉換、增量、調度和監控等幾個方面；數據倉庫系統中數據不要求與聯機事務處理系統中數據實時同步，所以ETL可以定時進行。但多個ETL的操作時間、順序和成敗對數據倉庫中信息的有效性至關重要。2.數據挖掘(DataMining)，又稱為資料庫中的知識發現(KnowledgeDiscoveryinDatabase,KDD)，就是從大量數據中獲取有效的、新穎的、潛在有用的、最終可理解的模式的非平凡過程，簡單的說，數據挖掘就是從大量數據中提取或「挖掘」知識。並非所有的信息發現任務都被視為數據挖掘。例如，使用資料庫管理系統查找個別的記錄，或通過網際網路的搜索引擎查找特定的Web頁面，則是信息檢索（informationretrieval）領域的任務。雖然這些任務是重要的，可能涉及使用復雜的演算法和數據結構，但是它們主要依賴傳統的計算機科學技術和數據的明顯特徵來創建索引結構，從而有效地組織和檢索信息。盡管如此，數據挖掘技術也已用來增強信息檢索系統的能力。1)數據挖掘能做以下六種不同事情（分析方法）：·分類（Classification）·估值（Estimation）·預言（Prediction）·相關性分組或關聯規則（）·聚集（Clustering）·描述和可視化（DescriptionandVisualization）·復雜數據類型挖掘(Text,Web,圖形圖像，視頻，音頻等)2)數據挖掘分類以上六種數據挖掘的分析方法可以分為兩類：直接數據挖掘；間接數據挖掘·直接數據挖掘目標是利用可用的數據建立一個模型，這個模型對剩餘的數據，對一個特定的變數（可以理解成資料庫中表的屬性，即列）進行描述。·間接數據挖掘目標中沒有選出某一具體的變數，用模型進行描述；而是在所有的變數中建立起某種關系。·分類、估值、預言屬於直接數據挖掘；後三種屬於間接數據挖掘3)各種分析方法的簡介首先從數據中選出已經分好類的訓練集，在該訓練集上運用數據挖掘分類的技術，建立分類模型，對於沒有分類的數據進行分類。例子：a.信用卡申請者，分類為低、中、高風險b.分配客戶到預先定義的客戶分片注意：類的個數是確定的，預先定義好的估值與分類類似，不同之處在於，分類描述的是離散型變數的輸出，而估值處理連續值的輸出；分類的類別是確定數目的，估值的量是不確定的。例子：a.根據購買模式，估計一個家庭的孩子個數b.根據購買模式，估計一個家庭的收入c.估計realestate的價值一般來說，估值可以作為分類的前一步工作。給定一些輸入數據，通過估值，得到未知的連續變數的值，然後，根據預先設定的閾值，進行分類。例如：銀行對家庭貸款業務，運用估值，給各個客戶記分（Score0~1）。然後，根據閾值，將貸款級別分類。通常，預言是通過分類或估值起作用的，也就是說，通過分類或估值得出模型，該模型用於對未知變數的預言。從這種意義上說，預言其實沒有必要分為一個單獨的類。預言其目的是對未來未知變數的預測，這種預測是需要時間來驗證的，即必須經過一定時間後，才知道預言准確性是多少。·相關性分組或關聯規則（）決定哪些事情將一起發生。例子：a.超市中客戶在購買A的同時，經常會購買B，即A=>B(關聯規則)b.客戶在購買A後，隔一段時間，會購買B（序列分析）聚集是對記錄分組，把相似的記錄在一個聚集里。聚集和分類的區別是聚集不依賴於預先定義好的類，不需要訓練集。例子：a.一些特定症狀的聚集可能預示了一個特定的疾病b.租VCD類型不相似的客戶聚集，可能暗示成員屬於不同的亞文化群聚集通常作為數據挖掘的第一步。例如，"哪一種類的促銷對客戶響應最好？"，對於這一類問題，首先對整個客戶做聚集，將客戶分組在各自的聚集里，然後對每個不同的聚集，回答問題，可能效果更好。·描述和可視化（DescriptionandVisualization）是對數據挖掘結果的表示方式。
H. 未來券商研究所分析師會被AI或機器人取代嗎
如果從數據分析的角度來定義券商研究所分析師主要職能的話，人不如AI,這是它的長項，但如果從實際調研以及綜合判斷來講，目前甚至相當長一段時間，AI都無法取代人！
I. 股票交易員 會被人工智慧取代嗎
從科技發展的角度看，一定會，但普通水平的交易員會被先取代，高水平的暫時不會受到威脅。
這些年程序化交易越來越發達，市場上相當大比例的成交量都是計算機完成的，美國市場上據說超過一半。
傳統程序化交易仍然需要人來制定交易規則，實際上僅僅起到一個執行者的作用，人的作用是不可或缺的。
但這幾年基於深度學習的人工智慧交易程序已經在開發，近期已經聽說在美國已經有這種系統進入市場開始試運行。
我預期未來十年左右就會有大量人工智慧交易員進入市場，佔有相當大的比例，水平一般的交易員將被淘汰，但人工智慧的缺陷很多，高水平的人類專家會更加重要，徹底淘汰人類暫時還遙遙無期，